Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322
Vol. 10, No. 3, September 2023, Hal. 231-244 E- ISSN 2503-2933 231
Menganalisis Sentimen Review Pengguna Aplikasi Itemku Dengan Menggunakan Algoritma Naive Bayes Classifier
Ammar Zhorif*1, Agus Prasetyo Utomo2
1,2UNISBANK Semarang; Jl. Tri Lomba Juang No 1 Semarang
3Sistem Informasi, FTII, UNISBANK
e-mail: *1[email protected], 2[email protected]
Abstrak
Penelitian akan menerapkan teknik analisis sentimen untuk menganalisis ulasan pengguna untuk platform Itemku memakai algoritma Naïve Bayes Classifer. Tujuannya adalah untuk klasifikasikan opini pengguna sentimen positif atau sentimen negatif berdasarkan sentimen mereka terhadap platform Itemku. Data dikumpulkan dari ulasan pengguna di Google Play Store menggunakan situs web appfollow. Data yang terkumpul menjalani preprocessing teks, termasuk case folding, tokenizing, filtering, stemming, dan pembobotan TF-IDF. Proses ini mengubah data ulasan tidak terstruktur menjadi format terstruktur. Algoritma klasifikasi Naïve Bayes kemudian digunakan untuk mengklasifikasikan sentimen dengan 80% data digunakan untuk latih dan 20% data untuk uji. Hasilnya mengungkapkan tingkat akurasi 76% dalam klasifikasi sentimen, menunjukan keefektifan pendekatan Naïve Bayes. Visualisasi Wordcloud dihasilkan untuk mengindentifikasi kata kunci yang sering disebutkan dalam ulasan sentimen positif dan negatif. Hasil dari penelitian ini menunjukan kepuasan pengguna yang tinggi terhadap platform Itemku, seperti yang ditunjukkan oleh sentimen positif yang diungkapkan dalam ulasan pengguna. Penelitian ini berkontribusi untuk memahami pendapat dari pengguna, memberikan wawasan untuk meningkatkan kualitas layanan dan mengoptimalkan pengalaman pengguna.
Kata kunci — Analisis Sentimen, Itemku, Naïve Bayes Classifier, TF-IDF, Klasifikasi
Abstract
This research will apply sentiment analysis techniques to analyze user reviews for the Itemku platform using the Naïve Bayes Classifer algorithm. The aim is to classify user opinions as positive sentiment or negative sentiment based on their sentiment towards the Itemku platform. Data is collected from user reviews on Google Play Store using the appfollow website. The collected data underwent text preprocessing, including case folding, tokenizing, filtering, stemming, and TF-IDF weighting. This process converts unstructured review data into a structured format. The Naïve Bayes classification algorithm is then used to classify sentiments with 80% of the data used for training and 20% of the data for testing. The results reveal an accuracy rate of 76% in sentiment classification, demonstrating the effectiveness of the Naïve Bayes approach. Wordcloud visualizations are generated to identify keywords that are frequently mentioned in positive and negative sentiment reviews. The results of this study show high user satisfaction with the Itemku platform, as shown by the positive sentiments expressed in user reviews. This research contributes to understanding the opinions of users, provides insights to improve service quality and optimize user experience.
Keywords — Sentiment Analysis, Itemku, Naïve Bayes Classifier, TF-IDF, Classification
232 Jatisi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 231-244 E-ISSN 2503-2933
1. PENDAHULUAN
Pesatnya perkembangan di bidang teknologi dan informasi pada zaman ini yang semakin maju dapat sebuah pengaruh yang besar bagi manusia. Berkembangnya teknologi dan informasi banyak membantu aktivitas masyarakat khusunya bagi masyarakat pelaku bisnis dan bagi masyarakat untuk mengembangakan bisnisnya. Di zaman sekarang, situs – situs online marketplace menjadi pilihan utama masyarakat dalam produk karena menghadirkan senjumlah kelebihan. Salah satunya adalah kemudahan bagi pembeli, dimana mereka tidak perlu repot datang langsung ke tempat penjual. Selain itu, wilayah tidak lagi menjadi batasan dalam melakukan pembelian, karena dapat dilkukan secara online. [1] Salah satu pengaruh dalam perkembangan teknologi informasi banyaknya masyarakat mengaplikasikan melalui mobile aplication untuk sebuah tren yang sedang populer yaitu membeli dan menjual produk dan layanan secara online. Perkembangan teknologi membeli dan menjual produk dan jasa jual terdapat bisnis yang diminati oleh banyak masyarakat yaitu bisnis game. Di dalam bisnis game terdapat beberapa transaksi yaitu pembelian item di dalam game, Pembelian voucher game, Dan masih banyak lai transaksi yang dapat dilakukan di dalam bisnis game. Kegiatan dalam bisnis game harus menggunakan sebuah aplikasi yang dapat diunduh melalui platform Google Play Store untuk Android. Google Play adalah layanan konten digital yang disediakan oleh Google menawarkan toko online untuk produk – produk seperti musik, buku, aplikasi, dan media. [2]
Itemku adalah platform berbasis web dan mobile Itemku adalah platform berbasis web dan mobile yang memberikan tempat untuk melakukan beli dan jual beli gold, akun, item, maupun voucher permainan online dengan menjamin keamanan dalam transaksi dan mendapatkan garansi.Platform Itemku dibangun pada tahun 2014 dan berdiri dibawah naungan perusahaan asal korea yaitu PT. Five Jack. PT. Five Jack adalah perusahaan didirikan tahun 2013 dan fokus terhadap produk – produk yang terkait dengan game. Pada tahun 2014 PT. Five Jack berkunjung di negara indonesia dengan dengan strategi bisnis yang baru yang dirancang untuk mengubah perilaku para pemain Indonesia. Mereka juga memiliki komitmen kuat dalam membangun paltform layanan pasar permainan yang lebih baik. Itemku mempunyai teknologi dinamakan Itemku Safe Trading Teknologi tersebut memungkinkan pihak dari itemku dapat mengontrol dan melihat semua transaksi yang dilakukan dan dapat melakukan pengecekan terhadap pembayaran maupun pengiriman produk dari penjual maupun pembeli.
Analisis sentimen adalah proses menganalisis pendapat seseorang tentang suatu peristiwa berdasarkan sikap yang mereka miliki terhadap objek tersebut. Analisis sentimen umumnya dilakukan untuk mengumpulkan dan memahami opini masyarakat yang terdapat dalam postingan di berbagai paltform seperti blog, twitter, facebook, dan platform yang lain. [3]
Analisis sentimen dikenal sebagai opinion mining merupakan proses yang bertujuan untuk memahami, mengekstrak, dan mengelolah secara otomatis data tekstual guna mendapatkan informasi tentang sentimen yang terkandung dalam opini kemudian dalam berkembangnya analisis sentimen menjadi penelitian sangat penting dan juga mendapatkan manfaat besar. [4]
Tugas analisis sentimen adalah mengklasifikasikan setiap kolom teks dari berbagai media online dan sosial berupa dokumen atau kalimat kemudian menentukan apakah kata tersebut masuk kategori positif, netral, atau negatif. [5]
Algoritma Naïve Bayes Classifier merupakan salah satu bentuk pengklasifikasian dengan mempertimbangkan nilai probabiltas keanggotaan dari data tersebut. [6]sebuah metode pengelompokkan probabilistik sederhana yang melakukan perhitungan probabilitas dengan menghitung dan mengkombinasikan nilai – nilai dalam suatu kumpulan data yang diberikan. [2]
Dalam melakukan Naïve Bayes Classifier data akan diklasifikasi ke dalam dua kelompok yaitu kelompok postif dan kelompok negatif kemudian dalam metode klasifikasi ini menggunakan pendekatan Naïve Bayes Classifier pada prediksi peluang di masa depan berdasarkan
Jatisi ISSN 2407-4322
Vol. 10, No. 3, September 2023, Hal. 231-244 E- ISSN 2503-2933 233
pengalaman di masa lalu. [3]
Penelitian ini bertujuan untuk mengklasifikasikan opini masyarakat terhadap pelayanan yang diberikan oleh Itemku menggunakan metode naïve bayes classifier untuk mengetahui kepuasaan pada pelanggan dalam menggunakan aplikasi itemku serta menghasilkan seberapa besar tingkat akurasi dalam membuat klasifikasi. Penelitian ini juga bertujuan untuk menganalisa aplikasi itemku dalam meningkatkan pelayanan itemku serta mengetahui apakah aplikasi itemku menjadi aplikasi jual beli game terpercaya.
Penelitian terdahulu yang dilakukan oleh F. V. Sari and A. Wibowo tahun 2019, dengan judul “Analisis Sentimen Pelanggan Toko Online Jd.Id Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi,” Penelitian ini berkaitan dengan opini masyarakat pada twitter yang membahas mengenai toko JD.id. Opini tersebut dianalisa dan memanfaatkan untuk mendapatkan informasi text mining lalu akan di kategorikan sebagai sentimen positif dan sentimen negatif. pada penelitian ini bertujuan untuk mgetahui layanan produk dari maketplace yang bermanfaat bagi pelanggan maupun penjual metode Naive Bayes Classifier yang dikembangkan pembobotan tf-idf dan fitur konversi ikon emosi. Hasil dari penelitian ini menunjukkan bahwa metode Naïve Bayes tanpa penambahan fitur mampu mendapatkan nilai akurasi sebesar 96,44% sementara ditambahkan fitur pembobotan tf-idf disertai konversi ikon emosi mendapatkan akurasi menjadi 98%. [7]
Kemudian penelitian yang terkait dilakukan oleh S. Masripah and L. D. Utami tahun 2020, dengan judul “Algoritma Klasifikasi Naïve Bayes untuk Analisa Sentimen Aplikasi Shopee ” penelitian ini menentukan pelayanan yang diberikan oleh aplikasi shoppe baik atau buruk dengan menggunakan melihat komentar – komentar yang ada di aplikasi shoppe.
Komentar – komentar di rubah menjadi sebuah informasi data yang di olah dengan baik kemudian komentar dilakukan Analisa sentimen menggunakan klasifikasi Niave Bayes. Pada penelitian ini analisa sentiment terhadap komentar – kometar shopee menghasilkan akurasi sebesar 71.50% dan AUC sebesar 0,500. [8]
2. METODE PENELITIAN
Untuk melakukan penelitian ini, dibutuhkan bagaimana prosedur pengolahan data serta tahapan dalam pengolahan data yang dilakukan dalam preprocessing dalam data dan pemodelan klasifikasi digunakan pada algoritma Naïve Bayes Classifier. Gambar 1 tampilan tahapan metode dalam penelitian:
234 Jatisi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 231-244 E-ISSN 2503-2933
Gambar 1. Flowchart Penelitian
2.1 Pengumpulan Data
Pengumpulan data yang dilakukan dengan teknik scraping dalam mengumpulkan data dalam jumlah yang banyak. Pengambilan data menggunakan website Appfollow.io dan data yang terkumpul akan disimpan berbentuk CSV (Comma Separated Values) . Data yang dikumpulkan berupa teks yang diambil sebanyak 1000 data tercsdapat di tanggal 1 Januari 2022 hingga sampai tanggal 31 januari 2022.
2.2 Preprocessing Data
Preprocessing data merupakan teknik tahapan merubah data yang tidak sesuai menjadi terstruktur. Ada 4 (empat) langkah yang akan digunakan dalam preprocessing data. Gambar 2 tahapan preprocessing Data:
Jatisi ISSN 2407-4322
Vol. 10, No. 3, September 2023, Hal. 231-244 E- ISSN 2503-2933 235
Gambar 2. Flowchart Tahapan Preprocessing
2.3 TF-IDF (Term Frequency-Inverse Dense Frequency)
Dalam tahap pembobotan kata metode TF -IDF digunakan untuk menghasilkan bobot nila bagi setiap kata dalam data yang digunakan. Dalam proses pembobotan kata menggunakan algoritma tf-id, yang memberikan nilai frekuensi pada kata yang signifikan, diutamakan untuk kata – kata yang sering muncul dalam dokumen tetapi jarang muncul dalam seluruh dokumen.
Untuk melakukan langkah ini, digunakan sklearn library melalui dua skema, yaitu word counts menggunakan CountVectorizer dan word frequencies menggunakan TfidVectorizer. [9]
2.4 Implemtasi Algoritma Naïve Bayes Classifier
Pada proses pelatihan, input yang digunakan adalah data training yang telah melewati tahap pemrosesan dan pembobotan kata sebelumnya kemudian data akan digunakan input dalam algoritma Naïve Bayes. Setelah melalui tahap perhitungan frekuensi pada tiap – tiap dokumen, maka dilakukan tahap pengklasifikasian menggunakan algoritma naïve bayes.
3. HASIL DAN PEMBAHASAN
Pada penelitian ini mengklasifikasikan mengenai data ulasan pengguna atau data review pengguna aplikasi Itemku pada play store. Tahapan untuk mengelompokkan data ulasan menggunakan bahasa pemrograman Python yang berguna ketika menganalisa sentimen masyarakat terhadap aplikasi Itemku. Data yang digunakan adalah data komentar ulasan aplikasi Itemku pada play store yang didapat dari website Appfollow.Data dari website Appfollow di scraping lalu selanjutnya akan di lakukan proses labelling untuk membedakan antara sentimen yang positif dan sentimen yang negatif. Pemberian label kepada data sentimen positif untuk ulasan baik lalu sentimen negatif untuk ulasan kurang baik, proses ini dilakukan menggunakan google collab dengan mengambil data 1000 ulasan pengguna atau review pengguna.
236 Jatisi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 231-244 E-ISSN 2503-2933
3.1 Membaca Data
Tools yang digunakan untuk membaca data ulasan menggunakan fungsi pd.read_csv(), fungsi ini digunakan karena data yang dipakai berformat berupa file.csv. Penelitian ini data yang digunakan untuk tahap preprocessing adalah data opini pengguna dari review pengguna aplikasi Itemku dari hasil scraping data yang sudah dilakukan sebelumnya. Peneliti ini mengambil 2 field data yang selanjutnya dijadikan dataframe Playstore dan Sentimen untuk dilakukannya pengklasifikasian. Data ulasan yang diambil dalam penelitian di aplikasi Itemku terdapat pada bulan Januari.
Gambar 3. Membaca Data
Membaca data dengan data ulasan sebanyak 1000 entri data dan memiliki 4 variabel diantaranya : No, Rating, Review, dan Sentiment. Variabel rating berupa penilaian pengguna pada aplikasi Itemku dengan nilai 1 sampai 5 dikelompokkan menjadi kelas 1 sampai 3 sentimen negatif dan sentimen positif dengan nilai 4 dan 5. Sedangkan variabel review berisi kumpulan komentar pengguna atau ulasan komentar pengguna.
3.2 Text Preprocessing
Data ulasan yang terkumpul merupakan data teks dengan format.csv dan data masih bersifat tidak terstruktur. Data yang tidak terstruktur dapat menghambat jalannya proses sehingga harus dilakukan tahap text preprocessing dengan tujuan memperbaiki data menjadi terstruktur. Pada text preprocessing ada 4 tahapanan yaitu Case Folding, Tokenizing, Filtering, dan Stemming.
1. Case Folding
Case Folding adalah proses untuk di samakan pada huruf – huruf kapital menjadi huruf kecil dalam sebuah teks. Dalam tujuan proses untuk menyamakan format huruf dalam teks agar lebih konsisten. Selain itu proses ini dapat melibatkan pembersihan dokumen dari kata tidak relevan atau tidak dibutuhkan dengan tujuan mengurangi gangguan yang tidak perlu dalam analisis teks. [10] Gambar 4 tampilan hasil dari Case Folding:
Jatisi ISSN 2407-4322
Vol. 10, No. 3, September 2023, Hal. 231-244 E- ISSN 2503-2933 237
Gambar 4. Hasil Case Folding
2. Tokenizing
Tokenizing adalah proses analisis data untuk memecah kalimat – kalimat tersebut menjadi kata yang disebut dengan token. Menggunakan tokenizing dapat membedakan antara pemisah kata atau maupun bukan. Gambar 5 tampilan hasil dari tokenizing:
Gambar 5. Hasil Tokenizing
3. Filtering
Filtering adalah suatu tahapan untuk mengambil kumpulan kata yang tidak digunakan pada hasil token. Kata yang umum dan tidak ada memiliki makna bisa disebut dengan stopword.
Contohnya pemakaian di kata penghubung serta, seperti, yang, setelah, dan lainnya. Gambar 6 tampilan hasil dari filtering :
238 Jatisi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 231-244 E-ISSN 2503-2933
Gambar 6. Hasil Filtering
4. Stemming
Stemming merupakan proses mengubah kata-kata hasil dari filtering ke bentuk dasarnya dengan cara menghilangkan imbuhan-imbuhan pada kata dalam dokumen. Contohnya kata
"membela" dapat diubah menjadi "bela", "menguatkan" menjadi "kuat", "menjaga" menjadi
"jaga", "dikatakan" menjadi "kata", dan sebagainya. [11] Gambar 7 tampilan hasil dari Stemming:
Gambar 7. Hasil Stemming
Jatisi ISSN 2407-4322
Vol. 10, No. 3, September 2023, Hal. 231-244 E- ISSN 2503-2933 239
5. TF-IDF (Term Frequency-Inverse Document Frequency)
TF-IDF yaitu menghitung pembobotan kata atau menilai bobot pada suatu kata kedalam dokumen yang ada. TF (Term Frequency) adalah munculnya frekuensi dari term yang ada di dokumen, dan IDF (Inverse Document Frequency) yaitu dalam perhitungan term dilakukan secara detail saat akan didistribusikan pada dokumen yang ada. TF (Term Frequency) akan terlebih dahulu dilakukan dalam menghitung proses pembobotan kata. Berikut ini tampilan program beserta hasil yang telah melalui tahap pembobotan kata:
Gambar 8. Program Term Frequency
Menggunakan fungsi pandas series row dan membuat review_list untuk menyimpan list dari data opini. Melakukan .apply() pada fungsi calc_TF() yang ada fungsi Pandas Series
‘Review_list’ dan hasil akan tersimpan pada Series ‘TF_dict’, selanjutnya membuat dictionary DF, dimana key adalah sebuah term dan value adalah total dokumen (DF_dict) yang terikat term tersebut.
Gambar 9. Program Term Frequency - Inverse Document Frequency
240 Jatisi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 231-244 E-ISSN 2503-2933
Setelah melakukan perhitungan term frequency, maka dilakukan perhitungan pembobotan TF-IDF. Untuk menghasilkan result menjadi suatu nilai TF-IDF mengunakan fungsi TF[key] * IDF[key]. Hasil TF-IDF dapat dilihat pada gambar 10 berikut:
Gambar 10. Hasil TF-IDF
Pada gambar 10 menunjukan hasil perhitungan setiap kata pada dokumen ke 200 dari data opini yang digunakan. Dalam index ke 200 memiliki 4 suku kata menghasilkan TF dan TF- IDF yang berbeda seperti halnya kata “bagus” mendapatkan nilai TF sebesar 0.25 dan nilai TF- IDF sebesar 0.370.
Gambar 11. Program Kata Teratas
Hasil perhitugan kata teratas dari term pada 1000 data review pengguna aplikasi Itemku.
Dapat dilihat bahwa perolehan kata terbanyak yaitu kata “mantap” dengan memperoleh nilai 164.450947 dan di ikuti dengan kata “bagus” dengan perolehan nilai 157.586435 . Dapat dipastikan bahwa pengguna atau user pada aplikasi Itemku merasa sangat puas dengan adanya aplikasi tersebut.
Jatisi ISSN 2407-4322
Vol. 10, No. 3, September 2023, Hal. 231-244 E- ISSN 2503-2933 241
Gambar 12. Hasil Kata Teratas
6. Implementasi Naïve Bayes Classifier
Pada Tahapan ini merupakan langkah utama dalam pengklasifikasian data opini menggunakan algoritma naïve bayes. Dalam proses membuat learning menggunakan 1000 data yang akan dibagi dua data yaitu menggunakan data training dalam membuat model learning pada data testing lalu nantinya akan dapat dipakai saat menguji pola yang telah dibentuk, Peneliti akan menggunakan rasio 8:2 yang artinya 80% (800 data training) dan 20% (200 data testing) mendapatkan jumlah atribut atau kata sebesar 1780.
Proses Pengklasifikasian data dilakukan menggunakan perhitungan probabilitas pada kalimat disetiap kelas untuk dapat menghasilkan prediksi dan akurasi data yang dimasukkan.
Agar dapat mengetahui performa dari algoritma naïve bayes, dilakukan pengujian pada data testing 200 data. Hasil dari mengklasifikasikan akan di visualisasikan dalam bentuk confusion matrix. Pada gambar berikut ini akan dilihatkan hasil dari pengujian klasifikasi memakai algoritma naïve bayes.
Gambar 13. Hasil dari Confusion Matrix Naïve Bayes
242 Jatisi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 231-244 E-ISSN 2503-2933
Hasil dari klasifikasi 200 data testing mengunakan algoritma naïve bayes mendapatkan hasil nilai akurasi sebesar 76% yang terbilang cukup tinggi. Definisi angka 1 adalah nilai positif dan angka 0 adalah nilai negatif, dengan tabel confusion matrix juga dapat digunakan untuk melihat hasil nilai ukuran evaluasi model yang lainnya seperti precision yaitu ukuran untuk sistem dalam mencari ketepatan antar informasi menghasilkan nilai negatif sebesar 0.00 dan nilai positif sebesar 0.76, recall yaitu ukuran untuk suatu sistem dalam menemukan kembali informasi menghasilkan nilai negatif sebesar 0.00 dan nilai positif sebesar 1.00, f1 – score yaitu perbandingan dari rata – rata precison dan recall menghasilan nilai negatif sebesar 0.00 dan nilai positif sebesar 0.86.
7. Visualisassi data
Pada tahap ini akan menampilkan banyaknya kata atau komentar yang diperbincangkan oleh para pengguna aplikasi Itemku hingga dihasilkan suatu visualisai data dalam bentuk wordcloud. Besar kecilnya ukuran kata dalam wordcloud berpengaruh dalam opini publik. Program visualisasi data positif dapat dilihat berikut :
Gambar 14. Visualisasi Data Positif
Berdasarkan hasil visualisasi data diatas dapat dilihat bahwa kata yang sering ditulis oleh pengguna di Play Store pada aplikasi Itemku dengan sentimen positif adalah kata di.
Adapun kata yang muncul di hasil sentimen positif adalah nya, murah, aku, dan, game, banget, dan lain - lainya. Kata yang muncul di sentimen positif menjadi sorotan pada pengguna aplikasi Itemku.
Gambar 15. Visualisasi Data Negatif
Jatisi ISSN 2407-4322
Vol. 10, No. 3, September 2023, Hal. 231-244 E- ISSN 2503-2933 243
Berdasarkan hasil visualisasi data diatas dapat dilihat bahwa kata yang sering ditulis oleh pengguna di Play Store pada aplikasi Itemku dengan sentimen negatif adalah kata saya. Adapun kata yang muncul di hasil sentimen negatif adalah bisa, sudah, di, itemku, nya, tapi, dan lain - lainya. Kata yang muncul di sentimen negatif menjadi sorotan pada pengguna aplikasi Itemku.
4. KESIMPULAN
Dalam menganalisis dan pengujian di aplikasi itemku dapat disimpulkan ada bahwa penelitian tersebut menemukan pengaruh cukup besar terhadap pencarian akun game dan top up game. Hal ini terlibat dalam tahap pembobotan kata menggunakan wordcloud, dimana kata
“mantap” mendapatkan nilai tertinggi dengan skor 164.450947, diikuti oleh kata “bagus”
dengan skor 157.586435. Pada penelitian ini menunjukan bahwa pengguna aplikasi itemku merasa puas dengan layanan yang diberikan. Penelitian ini juga dapat menunjukan bahwa aplikasi jual beli game online yaitu aplikasi Itemku dapat diandalkan dan aman bagi para pengguna aplikasi. Selain itu bagi para pengguna yang baru mendaftarkan akunnya di aplikasi Itemku dan ingin membeli akun game, mereka dapat dengan mudah menggunakannya.
5. SARAN
Saran untuk Penelitian Selanjutnya dalam Menganalisis Sentimen Review Pengguna Aplikasi Itemku Menggunakan Algoritma Naive Bayes Classifier adalah:
1. Membandingkan Algoritma Klasifikasi: Selain algoritma Naive Bayes, penelitian selanjutnya dapat membandingkan performa algoritma K-Nearest Neighbors (K-NN), Support Vector Machine (SVM), Decision Tree, dan K-means. Tujuannya adalah untuk mencari hasil akurasi yang paling tepat dan terbaik dalam analisis sentimen pada review pengguna aplikasi Itemku.
2. Memperluas Jumlah Data Review: Penelitian berikutnya dapat melibatkan lebih banyak data review atau ulasan. Hal ini dapat meningkatkan akurasi dan hasil yang lebih baik dalam menggunakan metode yang sama, yaitu algoritma Naive Bayes.
UCAPAN TERIMA KASIH
Terima Kasih kepada Semua Pihak yang Memberikan Dukungan kepada Penulis.
DAFTAR PUSTAKA
[1] D. P. Artanti, A. Syukur, A. Prihandono, and D. R. I. M. Setiadi, “Analisa Sentimen Untuk Penilaian Pelayanan Situs Belanja Online Menggunakan Algoritma Naïve Bayes,”
pp. 8–9, 2018.
[2] M. Rezki, D. N. Kholifah, M. Faisal, P. Priyono, and R. Suryadithia, “Analisis Review Pengguna Google Meet dan Zoom Cloud Meeting Menggunakan Algoritma Naïve Bayes,” J. Infortech, Vol. 2, No. 2, pp. 264–270, 2020, doi:
10.31294/infortech.v2i2.9286.
244 Jatisi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 231-244 E-ISSN 2503-2933
[3] B. M. Pintoko and K. M. L., “Analisis Sentimen Jasa Transportasi Online pada Twitter Menggunakan Metode Naive Bayes Classifier,” e-Proceeding Eng., Vol. 5, No. 3, pp.
8121–8130, 2018.
[4] G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 di Twitter,”
Integer J., Vol. 2, No. 1, pp. 32–41, 2017, doi: 10.31284/j.integer.2017.v2i1.95.
[5] S. M. Salsabila, A. Alim Murtopo, and N. Fadhilah, “Analisis Sentimen Pelanggan Tokopedia Menggunakan Metode Naïve Bayes Classifier,” J. Minfo Polgan, Vol. 11, No.
2, pp. 30–35, 2022, doi: 10.33395/jmp.v11i2.11640.
[6] V. A. Permadi, “Analisis Sentimen Menggunakan Algoritma Naive Bayes Terhadap Review Restoran di Singapura,” J. Buana Inform., Vol. 11, No. 2, p. 140, 2020, doi:
10.24002/jbi.v11i2.3769.
[7] F. V. Sari and A. Wibowo, “Analisis Sentimen Pelanggan Toko Online Jd.Id Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi,” J.
SIMETRIS, Vol. 10, No. 2, pp. 681–686, 2019.
[8] S. Masripah and L. D. Utami, “Algoritma Klasifikasi Naïve Bayes untuk Analisa Sentimen Aplikasi Shopee,” Swabumi, Vol. 8, No. 2, pp. 114–117, 2020, doi:
10.31294/swabumi.v8i2.8444.
[9] A. B. P. Negara, H. Muhardi, and I. M. Putri, “Analisis Sentimen Maskapai Penerbangan Menggunakan Metode Naive Bayes dan Seleksi Fitur Information Gain,” J. Teknol. Inf.
dan Ilmu Komput., Vol. 7, No. 3, p. 599, 2020, doi: 10.25126/jtiik.2020711947.
[10] D. Darwis, E. S. Pratiwi, and A. F. O. Pasaribu, “Penerapan Algoritma SVM Untuk Analisis Sentimen pada Data Twitter Komisi Pemberantasan Korupsi Republik Indonesia,” Edutic - Sci. J. Informatics Educ., Vol. 7, No. 1, pp. 1–11, 2020, doi:
10.21107/edutic.v7i1.8779.
[11] D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks pada Twitter,” J. Sains Komput. Inform.
(J-SAKTI, Vol. 5, No. 2, pp. 697–711, 2021, [Online]. Available:
http://ejurnal.tunasbangsa.ac.id/index.php/jsakti/article/view/369.
